論文の概要: A Framework for Guided Motion Planning

• arxiv url: http://arxiv.org/abs/2404.03133v2
• Date: Mon, 07 Oct 2024 03:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:10:47.774791
• Title: A Framework for Guided Motion Planning
• Title（参考訳）: ガイド型運動計画のためのフレームワーク
• Authors: Amnon Attali, Stav Ashur, Isaac Burton Love, Courtney McBeth, James Motes, Marco Morales, Nancy M. Amato,
• Abstract要約: 我々は、ガイド空間の概念を定義することにより、ガイド付き探索の概念を定式化する。 この新しい言語は、同じフレームワークの下で、明らかに異なる先行メソッドをカプセル化している。 本稿では,既知のアルゴリズムでテストした場合の直感と実験的に一致したガイダンスを評価するための情報理論手法を提案する。
• 参考スコア（独自算出の注目度）: 1.179253400575852
• License:
• Abstract: Randomized sampling based algorithms are widely used in robot motion planning due to the problem's intractability, and are experimentally effective on a wide range of problem instances. Most variants bias their sampling using various heuristics related to the known underlying structure of the search space. In this work, we formalize the intuitive notion of guided search by defining the concept of a guiding space. This new language encapsulates many seemingly distinct prior methods under the same framework, and allows us to reason about guidance, a previously obscured core contribution of different algorithms. We suggest an information theoretic method to evaluate guidance, which experimentally matches intuition when tested on known algorithms in a variety of environments. The language and evaluation of guidance suggests improvements to existing methods, and allows for simple hybrid algorithms that combine guidance from multiple sources.
• Abstract（参考訳）: ランダム化サンプリングに基づくアルゴリズムは、問題の難易度からロボットの動き計画に広く使われ、幅広い問題に対して実験的に有効である。 ほとんどの変種は、探索空間の既知の基盤構造に関する様々なヒューリスティックを使ってサンプリングをバイアスする。 本研究では,ガイド空間の概念を定義することにより,直感的なガイド探索の概念を定式化する。 この新しい言語は、同じフレームワークの下で、明らかに異なる事前メソッドの多くをカプセル化しており、これまでは曖昧だった、異なるアルゴリズムのコアコントリビューションであるガイダンスについて推論することができます。 本研究では,様々な環境下で既知のアルゴリズムでテストした場合の直感と実験的に一致したガイダンスを評価するための情報理論手法を提案する。 言語とガイダンスの評価は、既存の手法の改善を示唆し、複数のソースからのガイダンスを組み合わせた単純なハイブリッドアルゴリズムを可能にする。

関連論文リスト

• Domain Knowledge Injection in Bayesian Search for New Materials [0.0]
  探索空間における探索を調整するためのドメイン知識に対応するベイズ最適化(BO)アルゴリズムであるDKIBOを提案する。 材料設計タスクにおいて,ドメイン知識をうまく注入することで,提案手法の実用性を実証的に実証する。
  論文  参考訳（メタデータ） (2023-11-26T01:55:55Z)
• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Best-Effort Adaptation [62.00856290846247]
  本稿では, 試料再重み付け法に関する新しい理論的解析を行い, 試料再重み付け法を一様に保持する境界について述べる。 これらの境界が、我々が詳細に議論する学習アルゴリズムの設計を導く方法を示す。 本稿では,本アルゴリズムの有効性を実証する一連の実験結果について報告する。
  論文  参考訳（メタデータ） (2023-05-10T00:09:07Z)
• Discovering Multiple Algorithm Configurations [24.7500811470085]
  チューニングデータセット内の複数のモードを自動的に検出するアルゴリズム構成を拡張した。 以前の作業とは異なり、これらの設定モードは複数のデータセットインスタンスを表し、最適化の過程で自動的に検出される。 これらの手法は, 立体視深度推定, 微分可能レンダリング, 運動計画, 視覚計測など, 複数のロボット分野において, 合成試験機能に特化している。
  論文  参考訳（メタデータ） (2023-03-13T19:21:59Z)
• Evaluating Guiding Spaces for Motion Planning [2.384084215091134]
  我々は、同じ枠組みの下で、見かけ上の異なる多くの先行研究をカプセル化するエンフモーション計画誘導空間を定義する。 また,得られたバイアスサンプリングの品質に焦点をあてた案内計画を評価するための情報理論手法を提案する。
  論文  参考訳（メタデータ） (2022-10-16T21:17:51Z)
• Language Model Decoding as Likelihood-Utility Alignment [54.70547032876017]
  モデルの有効性がタスク固有の実用性の概念とどのように一致しているかについて、暗黙の仮定に基づいて、デコード戦略をグループ化する分類法を導入する。 具体的には、様々なタスクの集合における予測の可能性と有用性の相関を解析することにより、提案された分類を裏付ける最初の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2022-10-13T17:55:51Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Algorithm Selection on a Meta Level [58.720142291102135]
  本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。 本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T11:23:21Z)
• Determinantal Beam Search [75.84501052642361]
  ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。 複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。 ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
  論文  参考訳（メタデータ） (2021-06-14T13:01:46Z)
• A Survey On (Stochastic Fractal Search) Algorithm [0.0]
  本稿ではフラクタルという数学的概念に基づく成長の自然現象に着想を得たフラクタル探索というメタヒューリスティックなアルゴリズムを提案する。 本論文は,提案アルゴリズムに適用される文献において一般的に用いられる工学設計最適化問題のステップと応用例にも注目する。
  論文  参考訳（メタデータ） (2021-01-25T22:44:04Z)
• Learning to Actively Learn: A Robust Approach [22.75298609290053]
  本研究では,アクティブラーニングや純粋探索型マルチアームバンディットといった適応データ収集タスクのアルゴリズム設計手法を提案する。 我々の適応アルゴリズムは、情報理論の下界から導かれる問題の同値クラスに対する逆学習によって学習される。 我々は,訓練手順の安定性と有効性を正当化するための合成実験を行い,実データから導出される課題について評価する。
  論文  参考訳（メタデータ） (2020-10-29T06:48:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。